Métodos de Particionamento Utilizando Distância de Mahalanobis para
Intervalos
Agrupamento; Dados Intervalares, Distância de Mahalanobis
Esta dissertação investiga métodos de particionamento utilizando a
distância de Mahalanobis para dados intervalares. Os dados intervalares se
apresentam como uma alternativa aos dados clássicos, pois permitem capturar
a variabilidade e incerteza dos dados. Nesse sentido, é possível lançar mão
desses atributos para organizar dados similares em grupos e separar dados
distintos, minimizando a distância intra-grupos e maximizando a distância
inter-grupos. Ao avaliar as possibilidades de disposição dos dados e a
relação entre suas variáveis, pode-se obter informações importantes para
melhorar os resultados do agrupamento, fazendo da distância de Mahalanobis
uma aliada poderosa por considerar a correlação das variáveis. Além disso,
o método proposto é capaz de processar as informações dos limites
inferiores e superiores de forma independente. Para validar esta abordagem,
o método desenvolvido foi avaliado e comparado com outras técnicas na
literatura. Os resultados indicam uma melhoria na qualidade dos
agrupamentos, particularmente em cenários com alta correlação entre
variáveis e significativa variabilidade dos dados. Conclui-se que a
distância de Mahalanobis para intervalos pode proporcionar agrupamentos
mais precisos e significativos.